基于RS的冬小麦种植面积提取及最佳时相选择

冯美臣,杨武德

(山西农业大学 农学院,山西 太谷030801)

随着遥感技术在农作物长势监测和产量估测上的应用越来越广泛,估测精度的提高成为了研究重点,其中农作物种植面积的提取成为产量估测研究的关键。农作物种植面积的提取是在收集分析不同农作物光谱特征的基础上,进行农作物类型的遥感识别,统计农作物的种植面积。农作物的识别主要是利用绿色植物独特的波谱反射特征,将农作物与其它地物区分开[1]。并通过建立统计模型,来估测冬小麦面积。

王乃斌、陈仲新等利用Landsat数据进行了冬小麦、玉米、水稻等作物面积的提取[2～5]。Lau等利用多时相SPOT-XS影像进行作物的识别和种植面积的提取[6～8]。Lenngton等[9]首先利用陆地卫星数据的混合像元分解进行了作物种植面积提取的实验。Mahesh等[10]利用决策树分类方法结合Boosting算法提取农作物种植面积,分类精度可以达到84.5%。Giorgio等[11]把统计方法和神经网络法结合起来提取农作物种植面积,研究表明与单一分类器相比,此方法能较好地提高分类精度。Hoekman等[12]采用一种新的偏振测定分类方法从不同的作物中提取小麦,提取精度达到96%。Murthy等[13]利用多种分类方法用多时相遥感卫星影像来提取小麦种植面积,提取结果表明仿真神经网络方法明显优于其它分类方法。

本研究侧重于不同方法的比较分析,利用多种方法对遥感图像增强,分析冬小麦面积提取的最佳时相,采用多分类器比较的方法提取研究区冬小麦种植面积及空间分布,并结合GIS进行二次目视解译,消除分类时出现的多分和漏分现象,以期为大范围冬小麦种植面积的提取和监测打下基础。

1 材料与方法

1.1 研究区域自然概况

本研究以山西省晋中市、临汾市和运城市三个地区为研究对象。整个研究区位于山西省的中南部 ,北纬 35°02′～ 38°06′,东经 110°23′～ 114°05′之间。种植的农作物主要有冬小麦、玉米、棉花、大豆等,其中晋中地区冬小麦主要分布在西部平原区县,临汾、运城地区冬小麦主要分布在临汾、运城盆地,部分冬小麦分布于丘陵和垣台地区,为山西省冬小麦重点产区。

1.2 TM数据预处理

利用ENVI软件提供的地理坐标定位的Mosaicking方法进行图像镶嵌处理,并利用Feathering功能进行边缘羽化。TM遥感影像的大气校正采用大气校正模块FLAASH进行处理。利用研究区1∶100 000地形图进行TM 遥感影像几何校正(最邻近点法),然后利用地面实测的地面控制点(利用手持式Tato108 GPS型定位导航仪测定)对图像采用三次卷积内插法进行重采样几何精校正,确保其误差小于一个像元。并利用研究区矢量图进行图像裁剪。

2 结果与分析

2.1 冬小麦种植面积提取最佳时相选择

种植面积提取的最佳时相遥感图像的选择是农作物估产中的关键环节之一[14]。冬小麦种植区光谱信息与其他地物的最大区别是冬小麦种植面积遥感估算的依据。因此,农作物物候历的种间差异成为进行作物识别最佳时相选择的常用依据。在选择最佳时相时,必须了解各种作物的物候期,通过对同一地点不同作物物候历的比较,即可确定该地识别作物的最佳时相。

根据本试验的设计要求,时相的选择必须考虑山西省晋中、晋南地区主要种植作物的物候历(如表1)对不同作物加以区别,将冬小麦与其他作物的光谱差异最大的时期定义为冬小麦种植面积估算的最佳时相。因此通过分析比较冬小麦生长期间的物候历,确定冬小麦面积遥感估算的最佳时相。

从表1可以看出,从3月下旬到4月中旬研究区冬小麦处于拔节-孕穗期,生长旺盛,而玉米、大豆、棉花等作物此时刚播种完或还未播种,油菜处于开花期,对冬小麦光谱不会造成影响。同时考虑遥感影像的质量,选择2007年4月8日作为本研究种植面积提取最佳时相。

表1 研究区主要农作物物候历Table 1 Phenology of main crops in study area

2.2 冬小麦种植面积提取结果

为了对冬小麦种植面积监测取得最理想的效果,因此必须采用多种手段、多种方法,以求得满意的效果。各种分类方法所选用的参数分别如下:Mahalanobis Distance(最大距离误差为3),Spectral Angle Mapper(最大角度为0.1),Maximum Likelihood(可能的阈值为25),Minimum Distance(最大距离误差为3,距平最大距离为3),Parallelepiped,Isodate(最大距离误差为20,距平最大距离为20),K-Means(最大距离误差为20,距平最大距离为20)。将分类后的结果利用计算混淆矩阵与地面真实感兴趣区(ROI)进行比较分析,结果如表2所示。从表中可以看出各种分类方法均无多分现象,其中Minimum Distance分类法分类效果最差,在257个像元中仅有26个像元被分类为冬小麦,漏分率达到了89.88%。Mahalanobis Distance分类法分类效果比较理想,漏分率仅为4.28%。

表2 多种分类方法混淆矩阵比较Table2 Confusion matrix comparative analysis of many classification methods

为了更进一步研究Mahalanobis Distance分类法,本研究进行了对比试验,发现最大距离误差(阈值)为2.9时分类效果最佳。但也存在小部分漏分或多分,因此需要对分类后图像进行进一步的目视解译,这一过程主要是利用分类结果生成的冬小麦种植面积矢量图层在ArcGIS中叠加TM遥感图像来实现,逐个图斑交互地目视修正解译的结果。对不属于冬小麦的图斑通过鼠标操作从分布图中删除,对没有分出的部分则目视绘出其图斑界线,生成最终的面积矢量图,在ENVI中制作成掩膜,对TM 图像进行裁剪,从而得到冬小麦空间分布图,如图1所示。利用分类后提取的冬小麦种植面积统计其所占像元数,乘以每一像元所代表的实地面积,得到2007年研究区域冬小麦遥感监测面积为560 650 hm2。

2.3 遥感监测冬小麦种植面积精度检验

为了验证本研究的分类结果精度,利用山西省农业推广站提供的2007年冬小麦种植面积统计数据分别进行三个地区冬小麦种植面积提取精度检验,检验结果如表3所示。

图1 冬小麦空间分布图Fig.1 Spacial distribution image of winter wheat in study area

从表中可以看出,研究区域2007年冬小麦遥感监测的播种面积为560 650 hm2,其中晋中播种面积为28 951 hm2,临汾为234 778 hm2,运城为296 921 hm2。因此利用遥感监测冬小麦的总种植面积精度达到了95.23%。晋中地区冬小麦提取精度最低,仅为 83.19%,远小于临汾和运城地区。这主要是由于晋中冬小麦多分布于平川地区,部分旱地分布于丘陵地区,同时多分散种植,呈条带状,少有较大面积分布。因此在面积提取的过程中难免会出现“混合像元”、“同物异谱”的问题,最终导致该地区水地冬小麦面积提取精度最低。因此导致了其种植面积精度远小于其它两个地区。临汾和运城地区冬小麦总种植面积提取精度都达到91%以上,运城地区更达到了97.55%。

表3 冬小麦种植面积及精度检验/hm2Table 3 Planting area and precision of winter wheat

冬小麦实际分布位置的准确性用空间精度来进行检测[15],利用GPS采样点制成的点图层与冬小麦空间分布图和校正后的TM遥感图像叠加进行空间分布精度检验,结果表明冬小麦空间分布与TM遥感图像所显示的基本一致。冬小麦种植面积提取精度基本能满足本研究的需求,由此可以表明上述遥感影像的处理是比较准确的。

3 结论与讨论

本文探讨了利用最佳时相的TM数据进行冬小麦面积提取,在利用计算机自动提取过程中借助GIS平台进行目视解译,引入判读人员的知识,提取前进行初步目视解译,得到冬小麦可能种植区域图像,再应用分类器进行分类,可以极大地减少工作量,提高分类效率。通过多种分类器进行分类比较,发现Mahalanobis Distance分类法分类效果较好,当阈值(最大误差距离)为2.9时分类效果最佳,漏分率仅为4.28%。人机交互提取方法可以借助于实况信息的支持,充分利用专家经验、人工智能,从而使提取结果具有较好的精度保障。

在图像处理过程中,数据量十分庞大,既包括各种地理基础地图,土地利用图,TM、MODIS遥感图像,又有通过各种处理手段获取的新的信息、数据和图像,数据量是以GB为单位的。因此,利用ENVI作为图像数据变换的平台,运用GIS作为数据处理和分析的中枢,可以有效地管理、支持各种来源的海量数据的交换和运算,提高工作效率。

[1]周成虎,骆剑承,刘庆生,等.遥感影像地学理解与分析[M].北京:科学出版社,1999,44-47.

[2]王乃斌,覃平,周迎春.应用TM图像采用模式识别技术自动提取冬小麦播种面积的研究[J].遥感技术与应用,1993,8(4):1-7.

[3]陈仲新,刘海启,周清波,等.全国冬小麦面积变化遥感监测抽样外推方法的研究[J].农业工程学报,2000,16(5):126-129.

[4]Chen Zhongxin,Stato S U.Estimating winter wheat acreage using remotely sensed imagery with sub-pixel classification algorithm[R].Nippon Shashin Sokuryo Gakkai Gakujutsu Koenkai Happyo Ronbunshu.2000,19-22.

[5]Baban SM,Luke C.Mapping agricultural land useusing retro spectiveground referenced data,satellite sensor imagery and GIS[J].International Journal of Remote Sensing,2000,21(8):1757-1762.

[6]Lau C S,Kao H.Combined use of SPOT and GIS data to detect rice paddies[C].ACRS,1998,195-196.

[7]Turner M D,Congalton RG.Classification of multitemp oral SPOT-XS satellite data for mapping rice field s on a West African flood plain[J].International Journal of Remote Sensing,1998,19(1):21-41.

[8]Murakami T,Ogawa S,Ishitsuka M,et al.Crop discrimination with multitemporal SPOT/HRV datain the Saga Plains,Japan[J].International Journal of Remote Sensing,22(7):1335-1348.

[9]Lenngton RK,Ctsorensen,Rpheydorna.Mix ture Model Approach for Estimating Crop Areas from Land sat Data[J].Remote Sensing of Environment.1984,14:197-206.

[10]Mahesh P,Paul M.Decision tree based classification of remotely sensed data[C].Proceedings of the22nd Asian Conference of Remote Sensing,Singapore,November 2001,5-9.

[11]Giacinto G,Roli F and D'A rmi P.Ensembles of neural network s for soft classification of remote sensing images[C].Proceedings of the European Symposium on Intelligent Techniques,Bari,Italy,1997,166-170.

[12]Hoekman D H,Vissers M A M.A new polarimetric classification app roach evaluated for agricultural crops[J].IEEE Trans.Geosciences and Remote Sensing,2003,41(12):2881-2889.

[13]Murthy C S,Raju PV,Badrinath K V S.Classification of wheat crop with multi-temporal images:performance of maximum likelihood and artificial neural network s[J].International Journal of Remote Sensing,2003,24(23):4871-4890.

[14]杨武德,宋艳暾,宋晓彦,等.基于3S和实测相结合的冬小麦估产研究[J].农业工程学报,2009,25(2):131-135.

[15]赵庚星,田文新,张银辉,等.垦利县冬小麦面积的卫星遥感与分布动态监测技术[J].农业工程学报,2001,17(4):135-139.